‫طراحی‬

Algorithm Design
‫طراحی الگوریتماه‬
‫الگوریتمها‬
Algorithm D
esign

‫ارژنگ ملک‬

‫راه‌های‌ارتباطی‬

[email protected]

@tnb_students

Arzhang Malek - TNB )AD( ‫طراحی الگوریتمها‬ Slide 2

1
 ‫‪Greedy Algorithms‬‬
‫الگوریتم‌های‌حریصانه‬

‫فصل‌اول‬
‫طراحی‌الگوریتم‌ها‬

‫روش‌های‌طراحی‌الگوریتم‬
‫‪ ‬الگوریتم حریصانه (‪) Greedy Algorithms‬‬

‫‪ ‬تقسیم و غلبه (‪)Divide and Conquer‬‬

‫‪ ‬برنامه نویسی پویا (‪)Dynamic Programming‬‬

‫‪ ‬الگوریتم عقبگرد (‪)Backtracking‬‬

‫‪ ‬الگوریتم شاخه و حد (‪)Branch and Bound‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 4‬‬

‫‪2‬‬
 ‫الگوریتم‌حریصانه‬
‫• در روش حریصانه در هر مرحله عنصری که طبق معیار ما " بهترین" انتخاب است‪ ،‬بدون در نظر گرفتن انتخاب‌های گذشته و‬
‫آینده انتخاب می‌شود‪ .‬در هیچ کدام از یک مراحل امکان برگشت به مراحل قبل وجود ندارد‪.‬‬

‫• اغلب برای مسائل بهینه سازی از روش‌های حریصانه استفاده می‌شوند ولی الزاما جواب بهینه را تولید نمی‌کند‪.‬‬

‫• در حل مسائل به روش حریصانه؛ با یک مجموعه تهی کار را آغاز می‌کنیم و عناصر را به ترتیبی خاص به مجموعه اضاف ه‬
‫می‌کنیم‪ ،‬تا به جواب برسیم‬

‫• در هر مرحله از انتخاب اعضای مجموعه جواب بررسی می‌کنیم‪:‬‬

‫الف) آیا عضو انتخاب شده‪ ،‬امکان رسیدن به پاسخ نهایی را دارد یا خیر؟ (‪)feasible‬‬
‫ب) با هربار انتخاب بررسی میشود‪ ،‬آیا به پاسخ نهایی رسیده‌ایم یا خیر؟ (‪)solution‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 5‬‬

‫حریصانه‌‪ -‬خرد‌کردن‌پول‬
‫مثال‪ :‬از فروشگاهی ‪ 114‬تومان خرید می‌کنید‪ ،‬و بابت آن ‪ 200‬تومان پول پرداخت می‌کنید‪ .‬فروشنده بایستی به شما ‪ 86‬تومان‬
‫برگرداند‪ ،‬اگر فروشنده سکه‌های ‪ 25 ، 10 ، 5 ، 1‬و ‪ 50‬تومانی داشته باشد؛ چگونه پول را به شما برگرداند به شرطی که از کمترین‬
‫تعداد سکه استفاده کند؟‬
‫‪50 + 25 + 10 + 1‬‬

‫‪ ‬مرتبه اجرایی الگوریتم‪O(n) :‬‬

‫‪ ‬هر الگوریتم حریصانه لزوما به یک حل بهینه منجر نمی‌شود‪.‬‬

‫مثال‪ :‬حال فرض کنید ‪ 59‬تومان خرید می‌کنید‪ ،‬و بابت آن ‪ 100‬تومان پول پرداخت کرده‌اید‪ .‬فروشنده ‪ 41‬تومان باقی مانده را با‬
‫سکه‌های ‪ 12 ، 10 ، 5 ، 1‬و ‪ 25‬برخواهد گرداند؛ به شرط استفاده از کمترین تعداد سکه‪ ،‬با چه سکه‌هایی اینکار انجام خواهد شد؟‬
‫‪25 + 12 + 1 + 1 + 1 + 1‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 6‬‬

‫‪3‬‬
 ‫حریصانه‌‪ -‬کد‌هافمن‬
‫• با هدف صرفه جویی در حافظه به منظور نمایش یک فایل اطالعاتی به شکل رشته‌هایی از بیت‌ها از کد هافمن استفاده می‌کنیم‪.‬‬

‫• هافمن یک روش حریصانه برای فشرده سازی فایل‌ها است‪.‬‬

‫• برای ارسال اطالعات با حجم کمتر بر روی خطوط شبکه‪ ،‬کد هافمن مورد استفاده قرار می‌گیرد‪.‬‬

‫مثال‪ :‬با توجه به کاراکترهای ‪ a, b, c‬فایلی با محتویات ‪ abcbb‬را کدگذاری کنید‪.‬‬

‫اگر‪:‬‬
‫‪c: 11‬‬ ‫‪b: 01‬‬ ‫‪a: 00‬‬

‫داریم‪:‬‬
‫‪0001110101‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 7‬‬

‫حریصانه‌‪ -‬کد‌هافمن‬
‫• برای بهینه سازی و صرفه جویی در حافظه و استفاده از حداقل تعداد بیت‌های ممکن‪ ،‬از "کد گذاری با طول متغیر" استفاده‬
‫می‌کنیم؛‬

‫مثال‪ :‬مجددا مثال قبل را حل می‌کنیم؛ برای رشته ‪ abcbb‬خواهیم داشت؛‬

‫اگر ‪ a: 10‬و ‪ b: 0‬و ‪ c: 11‬آنگاه‌داریم‪1001100‌:‬‬

‫• برای این منظور بایستی‪ ،‬کاراکترها با احتمال تکرار بیشتر‪ ،‬را با رشته کد کوچکتر و کاراکترهایی که به ندرت ظاهر می‌شوند‪ ،‬را‬
‫با رشته کد بزرگتر نشان داد‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 8‬‬

‫‪4‬‬
 ‫حریصانه‌‪ -‬کد‌هافمن‬
‫مثال‪ :‬عناصر اطالعاتی زیر را با وزن‌های مشخص شده داریم؛ می‌خواهیم درخت مربوط به کد هافمن آن‌ها را با حداقل طول مسیر‪،‬‬

‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫برای وزن داده شده‪ ،‬ترسیم کنیم‪.‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬

‫‪ ‬در ابتدا یک درخت که برگ های آن شامل‪ ،‬دو کاراکتر‪ ،‬دارای کمترین وزن است‪ ،‬را ترسیم می‌کنیم‪.‬‬
‫‪5‬‬
‫‪ ‬همواره گره با وزن کمتر سمت چپ قرار می‌گیرد‪.‬‬

‫‪1‬‬ ‫‪B‬‬ ‫‪E 4‬‬

‫حال جدول فراوانی ما به شکل زیر خواهد شد‬
‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 9‬‬

‫حریصانه‌‪ -‬کد‌هافمن‬
‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬
‫‪ ‬حال مراحل قبل را تا انتها ادامه می‌دهیم‪.‬‬
‫‪13‬‬ ‫در این مرحله‪ ،‬فراوانی ‪( 5‬ریشه درخت مرحله قبل) و ‪( 8‬تعداد تکرار کاراکتر ‪ ) D‬انتخاب خواهند شد‪.‬‬

‫‪5‬‬ ‫‪D 8‬‬

‫‪1 B‬‬ ‫‪E 4‬‬

‫حال جدول فراوانی ما به شکل زیر خواهد شد‪.‬‬

‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬

‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 10‬‬

‫‪5‬‬
 ‫حریصانه‌‪ -‬کد‌هافمن‬
‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬
‫‪ ‬حال مراحل قبل را تا انتها ادامه می‌دهیم‪.‬‬
‫‪13‬‬ ‫در این مرحله‪ ،‬فراوانی ‪( 10‬تعداد تکرار کاراکتر ‪ ) G‬و ‪( 12‬تعداد تکرار کاراکتر ‪ ) C‬انتخاب خواهند شد‪.‬‬
‫‪22‬‬

‫‪5‬‬ ‫‪D 8‬‬

‫‪10 G‬‬ ‫‪C 12‬‬
‫‪1 B‬‬ ‫‪E 4‬‬
‫حال جدول فراوانی ما به شکل زیر خواهد شد‪.‬‬
‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬ ‫‪22‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 11‬‬

‫حریصانه‌‪ -‬کد‌هافمن‬
‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬ ‫‪22‬‬
‫‪ ‬حال مراحل قبل را تا انتها ادامه می‌دهیم‪.‬‬
‫‪33‬‬ ‫در این مرحله‪ ،‬فراوانی ‪( 13‬ریشه درخت مراحل قبل) و ‪( 20‬تعداد تکرار کاراکتر ‪ ) A‬انتخاب خواهند شد‪.‬‬
‫‪22‬‬

‫‪13‬‬ ‫‪A 20‬‬

‫‪10 G‬‬ ‫‪C 12‬‬
‫‪5‬‬ ‫‪D 8‬‬
‫حال جدول فراوانی ما به شکل زیر خواهد شد‪.‬‬

‫‪1 B‬‬ ‫‪E 4‬‬ ‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬ ‫‪22‬‬ ‫‪33‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 12‬‬

‫‪6‬‬
 ‫حریصانه‌‪ -‬کد‌هافمن‬
‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬ ‫‪22‬‬ ‫‪33‬‬
‫‪ ‬حال مراحل قبل را تا انتها ادامه می‌دهیم‪.‬‬

‫‪33‬‬ ‫در این مرحله‪ ،‬فراوانی ‪( 22‬ریشه درخت مراحل قبل) و ‪( 27‬تعداد تکرار کاراکتر ‪ ) F‬انتخاب خواهند شد‪.‬‬
‫‪49‬‬

‫‪13‬‬ ‫‪A 20‬‬

‫‪22‬‬ ‫‪F 27‬‬
‫‪5‬‬ ‫‪D 8‬‬
‫‪10 G‬‬ ‫‪C 12‬‬ ‫حال جدول فراوانی ما به شکل زیر خواهد شد‪.‬‬

‫‪1 B‬‬ ‫‪E 4‬‬ ‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬ ‫‪22‬‬ ‫‪33‬‬ ‫‪49‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 13‬‬

‫حریصانه‌‪ -‬کد‌هافمن‬
‫کاراکتر‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬
‫وزن‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪8‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪13‬‬ ‫‪22‬‬ ‫‪33‬‬ ‫‪49‬‬
‫‪82‬‬
‫‪ ‬حال با دو مقدار باقی مانده درخت را تکمیل می‌نمایم‪.‬‬

‫‪33‬‬ ‫‪49‬‬

‫‪13‬‬ ‫‪A 20‬‬ ‫‪22‬‬ ‫‪F 27‬‬

‫‪5‬‬ ‫‪D 8‬‬ ‫‪10 G‬‬ ‫‪C 12‬‬

‫‪1 B‬‬ ‫‪E 4‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 14‬‬

‫‪7‬‬
 ‫الگوریتم‌حریصانه‌‪ -‬کد‌هافمن‬
‫‪ ‬درخت بدست آمده را به شکل زیر رسم می‌کنیم‬
‫‪0‬‬ ‫‪1‬‬

‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬

‫‪F‬‬
‫‪ ‬به یال‌های سمت چپ عدد صفر و به یال‌های سمت راست‬
‫‪1‬‬ ‫‪A‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪0‬‬
‫عدد یک را اختصاص می‌دهیم‪.‬‬
‫‪D‬‬ ‫‪G‬‬ ‫‪C‬‬
‫‪0‬‬ ‫‪1‬‬

‫‪B‬‬ ‫‪E‬‬

‫‪ ‬حال برای پیدا کردن کد هر کاراکتر‪ ،‬از ریشه تا کاراکتر مورد نظر حرکت کرده‪ ،‬و بیت‌های مشاهده شده را می‌نویسیم‪:‬‬
‫‪A: 01‬‬ ‫‪B: 0000‬‬ ‫‪C: 101‬‬
‫‪D: 001‬‬ ‫‪E: 0001‬‬ ‫‪F: 11‬‬ ‫‪G: 100‬‬
‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 15‬‬

‫حریصانه‌‪ -‬کد‌هافمن‬
‫تمرین‪ :‬فرض کنید متنی شامل حروف ‪ a, b, c, d, e, f‬می‌باشد؛ و فراوانی این حروف در جدول زیر آمده است‪ ،‬هدف ایجاد کد‬
‫بهینه برای این حروف است‪.‬‬

‫کاراکتر‬ ‫‪a‬‬ ‫‪b‬‬ ‫‪c‬‬ ‫‪d‬‬ ‫‪e‬‬ ‫‪f‬‬

‫وزن‬ ‫‪30‬‬ ‫‪10‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪40‬‬ ‫‪14‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 16‬‬

‫‪8‬‬
 ‫حریصانه‌‪ -‬کوتاهترین‌مسیر‬
‫مسئله‪ :‬پیدا کردن کوتاهترین مسیر بین دو نقطه (درخت پوشای مینیمم)‬

‫‪A‬‬ ‫‪2‬‬ ‫‪18‬‬

‫‪B‬‬ ‫‪E‬‬
‫‪12‬‬ ‫‪1‬‬
‫‪4‬‬ ‫‪C‬‬
‫‪5‬‬

‫‪F‬‬
‫‪20‬‬ ‫‪25‬‬
‫‪8‬‬
‫‪3‬‬

‫‪D‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 17‬‬

‫حریصانه‌‪ -‬الگوریتم‌پریم‬
‫مراحل پیدا کردن درخت پوشای مینیمم‪ ،‬توسط الگوریتم پریم‪:‬‬

‫‪ ‬یک گره دلخواه را انتخاب می‌کنیم‬

‫‪ ‬کوچکترین یال متصل به گره انتخابی را پیدا و انتخاب می‌کنیم‬

‫‪ ‬حال تمامی یال‌های متصل به تمامی گره‌های انتخاب شده را بررسی و کوچکترین آن‌ها را انتخاب می‌کنیم‬

‫‪ ‬نکته‪ :‬یالی که ایجاد حلقه کند را انتخاب نمی‌کنیم‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 18‬‬

‫‪9‬‬
 ‫ الگوریتم‌پریم‬-‌‫حریصانه‬
2
Step 1: A B

2 4
Step 2: A B F

2 4
Step 3: A B F
3

D
Arzhang Malek - TNB )AD( ‫طراحی الگوریتمها‬ Slide 19

‫ الگوریتم‌پریم‬-‌‫حریصانه‬
C

Step 4: 5

2 4
A B F
3

D 1
C E
5
Step 5:
2 4
A B F
3

D
Arzhang Malek - TNB )AD( ‫طراحی الگوریتمها‬ Slide 20

10
 ‫حریصانه‌‪ -‬الگوریتم‌کروسکال‬
‫مراحل پیدا کردن درخت پوشای مینیمم‪ ،‬توسط الگوریتم کروسکال‪:‬‬

‫‪ ‬کوچکترین یال را انتخاب می‌کنیم‬

‫‪ ‬کوچکترین یال بعدی را انتخاب می‌کنیم‬

‫‪ ‬تا زمانی که تمام راس‌ها به هم وصل شوند این کار را ادامه می‌دهیم‬

‫‪ ‬نکته‪ :‬یالی که ایجاد حلقه کند را انتخاب نمی‌کنیم‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 21‬‬

‫حریصانه‌‪ -‬الگوریتم‌کروسکال‬
‫‪1‬‬
‫‪Step 1:‬‬ ‫‪C‬‬ ‫‪E‬‬

‫‪2‬‬
‫‪A‬‬ ‫‪B‬‬
‫‪Step 2:‬‬
‫‪1‬‬
‫‪C‬‬ ‫‪E‬‬

‫‪2‬‬
‫‪A‬‬ ‫‪B‬‬ ‫‪F‬‬
‫‪Step 3:‬‬ ‫‪3‬‬
‫‪1‬‬
‫‪C‬‬ ‫‪E‬‬ ‫‪D‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 22‬‬

‫‪11‬‬
 ‫حریصانه‌‪ -‬الگوریتم‌کروسکال‬
‫‪2‬‬ ‫‪4‬‬
‫‪A‬‬ ‫‪B‬‬ ‫‪F‬‬
‫‪Step 4:‬‬ ‫‪3‬‬
‫‪1‬‬
‫‪C‬‬ ‫‪E‬‬ ‫‪D‬‬

‫‪2‬‬ ‫‪4‬‬
‫‪A‬‬ ‫‪B‬‬ ‫‪F‬‬
‫‪5‬‬ ‫‪3‬‬
‫‪Step 5:‬‬
‫‪C‬‬ ‫‪1‬‬ ‫‪E‬‬ ‫‪D‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 23‬‬

‫حریصانه‌– مقایسه‌پریم‌و‌کروسکال‬
‫‪ ‬مرتبه اجرایی الگوریتم پریم برابر است با‪:‬‬

‫) 𝟐𝒏(𝑶‬ ‫که‌در‌آن‌‪ n‬برابر‌است‌با‌تعداد‌راس‌ها‬

‫‪ ‬مرتبه اجرایی کروسکال برابر است با‪:‬‬

‫)𝒎 ‪𝑶(𝒎 log‬‬
‫که‌در‌آن‬

‫‪‌:m‬تعداد‌یال‌ها‬ ‫‪ : n‬تعداد‌راس‌ها‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 24‬‬

‫‪12‬‬
 ‫حریصانه‌– مقایسه‌پریم‌و‌کروسکال‬
‫‪ ‬نکات‪:‬‬
‫‪ ‬با توجه به پیچیدگی الگوریتم کروسکال داریم؛‬
‫)𝒏 ‪𝑶(𝒏 log‬‬ ‫• اگر گراف خلوت باشد‬

‫)𝒏 ‪𝑶(𝒏𝟐 log‬‬ ‫• اگر گراف شلوغ باشد‬

‫‪ ‬نتیجه می‌گیریم‪ ،‬اگر گرافی یال‌های کمی داشته باشد‪ ،‬بهتر است از کروسکال و اگر یال‌های زیادی دارد بهتر است از‬
‫پریم استفاده کنیم‪.‬‬

‫‪ ‬الگوریتم‌های کروسکال و پریم همواره یک درخت پوشای مینیمم ایجاد می‌کنند‬

‫‪ ‬الگوریتم پریم در ایجاد راه برای چند شهر‪ ،‬که کمترین هزینه و مسافت را داشته باشد‪ ،‬کاربرد دارد‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 25‬‬

‫حریصانه‌‪ -‬کوتاهترین‌مسیر‬
‫مسئله‪ :‬فاصله چند شهر مورد نظر در گراف زیر مشخص شده است‪ ،‬میخواهیم تمامی شهرها را به هم متصل کنیم‪ ،‬به‬
‫نحوی که مردم بتواند از هر شهر به شهر دیگر بروند‪ ،‬باتوجه به محدودیت بودجه میخواهیم با کمترین مقدار جاده‬
‫کشی ممکن این کار را انجام دهیم‬
‫‪A‬‬
‫‪28‬‬
‫‪10‬‬
‫‪B‬‬
‫‪14‬‬ ‫‪16‬‬
‫‪E‬‬ ‫‪G‬‬ ‫‪C‬‬
‫‪18‬‬
‫‪24‬‬ ‫‪12‬‬
‫‪25‬‬
‫‪D‬‬
‫‪F‬‬ ‫‪22‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 26‬‬

‫‪13‬‬
 ‫حریصانه‌‪ -‬الگوریتم‌دایجکسترا‬
‫‪ ‬برای پیدا کردن کوتاه‌ترین مسیر از یک راس به سایر رئوس در یک گراف جهت دار از الگوریتم دایجکسترا استفاده می‌کنیم‬

‫‪ ‬هدفمان پیدا کردن طول کوتاه‌ترین مسیر از راسی به نام مبدا تا سایر رئوس می باشد‬

‫مثال‪ :‬کوتاه‌ترین مسیر از راس ‪ A‬به سایر رئوس نشان دهید‬

‫‪55‬‬
‫‪A‬‬ ‫‪E‬‬
‫‪10‬‬ ‫‪35‬‬
‫‪2‬‬
‫‪90‬‬
‫‪25‬‬
‫‪D‬‬ ‫‪B‬‬
‫‪10‬‬ ‫‪C‬‬ ‫‪50‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 27‬‬

‫حریصانه‌‪ -‬الگوریتم‌دایجکسترا‬
‫مراحل پیدا کردن کوتاهترین مسیر توسط الگوریتم دایجکسترا‬

‫‪ ‬گره مبدا را درون مجموعه ‪ S‬قرار می‌دهیم‬

‫‪ ‬یال‌های متصل به مبدا را بررسی و کوتاه‌ترین یال را انتخاب‪ ،‬و گره مربوط به آن یال را درون مجموعه ‪ S‬قرار می‌دهیم‬

‫‪ ‬مسیرها از مبدا تا سایر رئوس که آن مسیر از گره‌های مجموعه ‪ S‬عبور کند را بررسی و کوتاه‌ترین آن‌ها را انتخاب و گره‬
‫مربوطه را به مجموعه ‪ S‬اضافه می‌کنیم‬

‫‪ ‬نکته‪ :‬الگوریتم دایجکسترا در گراف‌هایی با یال منفی پاسخ‌گو نمی‌باشد‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 28‬‬

‫‪14‬‬
 ‫حریصانه‌‪ -‬الگوریتم‌دایجکسترا‬

‫‪Step 1:‬‬ ‫‪Step 2:‬‬

‫}‪S:{A,D‬‬ ‫}‪S:{A,D,C‬‬

‫‪Step 3:‬‬ ‫‪Step 4:‬‬

‫}‪S:{A,D,C,B‬‬ ‫}‪S:{A,D,C,B,E‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 29‬‬

‫حریصانه‌‪ -‬الگوریتم‌دایجکسترا‬
‫تمرین‪ :‬کوتاهترین مسیر بین هر دو راس گراف مقابل را بدست آورید‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 30‬‬

‫‪15‬‬
 ‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫• در این مسئله بدنبال‪ ،‬زمان‌بندی و انتخاب ترتیب انجام فعالیت‌ها برای رسیدن به اهداف مسئله می‌باشیم‪.‬‬

‫• دو نوع زمان‌بندی وجود دارد‪:‬‬

‫‪ ‬زمانبندی ساده‪ :‬هدف حداقل شدن زمان سیستم؛ و یا مینیم شدن زمان انتظار مشتریان‬

‫‪ ‬زمانبندی با مهلت معین‪ :‬هدف به حداکثر رسیدن سود‬

‫‪ ‬زمانبندی ساده‪:‬‬

‫مثال‪ :‬آرایشگری می خواهد به ‪ 3‬مشتری خود که زمان خدمت هر کدام با دیگری متفاوت است‪ ،‬سرویس دهد‪ .‬به چه ترتیبی باید‬
‫مشتریان را انتخاب کنیم‪ ،‬تا زمان کل سیستم حداقل شود؟‬
‫مشتری‬ ‫اول‬ ‫دوم‬ ‫سوم‬
‫زمان سرویس‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪7‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 31‬‬

‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫مشتری‬ ‫اول‬ ‫دوم‬ ‫سوم‬
‫زمان سرویس‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪7‬‬

‫• یک راه برای حل مسئله این است که تمامی حاالت را بررسی و بهترین را انتخاب نماییم‪ .‬در زیر تمامی حاالت ممکن را داریم؛‬
‫زمان کل سیستم‬ ‫زمانبندی‬
‫‪5 + (5 + 9) + (5 + 9 + 7) = 40‬‬ ‫]‪[1,2,3‬‬
‫‪5 + (5 + 7) + (5 + 7 + 9) = 38‬‬ ‫]‪[1,3,2‬‬
‫‪9 + (9 + 5) + (9 + 5 + 7) = 44‬‬ ‫]‪[2,1,3‬‬
‫‪9 + (9 + 7) + (9 + 7 + 5) = 46‬‬ ‫]‪[2,3,1‬‬
‫‪7 + (7 + 5) + (7 + 5 + 9) = 40‬‬ ‫]‪[3,1,2‬‬
‫‪7 + (7 + 9) + (7 + 9 + 5) = 44‬‬ ‫]‪[3,2,1‬‬
‫‪ ‬مشاهده می‌شود کمترین زمان سیستم‪ ،‬زمانی است که مشتریان بر اساس زمان سرویس بصورت صعودی مرتب شده باشند‪.‬‬
‫‪5 + (5 + 7) + (5 + 7 + 9) = 38‬‬ ‫]‪[1,3,2‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 32‬‬

‫‪16‬‬
 ‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫مراحل الگوریتم زمانبندی ساده‪:‬‬

‫‪ ‬فعالیت‌ها به ترتیب زمان اجرا به صورت صعودی مرتب شوند‬

‫‪ ‬در هر مرحله فعالیتی انتخاب شود که کمترین زمان اجرا را دارد‬

‫‪ ‬نکته‪ :‬در زمان‌بندی ساده‪ ،‬زمان کل سیستم فقط هنگامی مینیمم می‌شود‪ ،‬که فعالیت‌ها بر مبنای افزایش زمان ارائه‬
‫خدمات مرتب و زمان بندی شده باشند‪.‬‬

‫‪ ‬تتای الگوریتم زمان بندی ساده )𝒏 ‪ 𝜽(𝒏 log‬می‌باشد‪ .‬زیرا تنها زمان صرف مرتب سازی می‌شود‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 33‬‬

‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫‪ ‬زمانبندی با مهلت معین‪:‬‬

‫• در این مسئله هر فعالیت در یک واحد زمانی اجرا و تمام می‌شود‪ ،‬و هر فعالیت یک مهلت معین و یک سود معین دارد‪.‬‬

‫• زمانی سود مورد نظر بدست می‌آید‪ ،‬که آن فعالیت پیش از مهلت معین اجرا شود‪.‬‬

‫• هدف این مسئله‪ ،‬انجام زمان‌بندی فعالیت‌ها جهت به حداکثر رسیدن سود می‌باشد‪.‬‬

‫مثال‪ :‬فرض کنید فعالیت‌ها‪ ،‬مهلت‌ها و سودهای زیر را داریم؛ فعالیت‌ها را به گونه‌ای انتخاب نمایید که حداکثر سود حاصل شود‪.‬‬
‫کار‬ ‫اول‬ ‫دوم‬ ‫سوم‬ ‫چهارم‬
‫مهلت‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬
‫سود‬ ‫‪30‬‬ ‫‪35‬‬ ‫‪25‬‬ ‫‪40‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 34‬‬

‫‪17‬‬
 ‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫فعالیت‬ ‫اول‬ ‫دوم‬ ‫سوم‬ ‫چهارم‬
‫مهلت‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬
‫سود‬ ‫‪30‬‬ ‫‪35‬‬ ‫‪25‬‬ ‫‪40‬‬
‫• یک راه برای حل مسئله این است که تمامی حاالت را بررسی و بهترین را انتخاب نماییم‪.‬‬
‫سود کل‬ ‫زمانبندی‬ ‫در مقابل تمامی حاالت ممکن را داریم؛‬
‫‪30 + 25 = 55‬‬ ‫]‪[1,3‬‬
‫‪35 + 30 = 65‬‬ ‫]‪[2,1‬‬ ‫‪ ‬مهلت فعالیت سوم برابر ‪ 2‬است‪ ،‬یعنی این فعالیت تنها در زمان ‪ 1‬یا زمان ‪2‬‬
‫‪35 + 25 = 60‬‬ ‫]‪[2,3‬‬ ‫قابل اجراست‪.‬‬
‫‪25 + 30 = 55‬‬ ‫]‪[3,1‬‬ ‫‪ ‬زمان بندی ]‪ [4,2‬غیرممکن است‪ ،‬زیرا فعالیت چهارم و دوم فقط در زمان ‪1‬‬
‫‪40 + 30 = 70‬‬ ‫]‪[4,1‬‬ ‫قابل اجرا می‌باشند‪.‬‬
‫‪40 + 25 = 65‬‬ ‫]‪[4,3‬‬
‫‪ ‬مشاهده می‌شود حداکثر سود‪ ،‬در حالتی است که زمان بندی بصورت زیر باشد‪.‬‬
‫‪40 + 30 = 70‬‬ ‫]‪[4,1‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 35‬‬

‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫‪ ‬مجموعه امکان پذیر‪ :‬مجموعه‌ای است که حداقل یک ترتیب امکان پذیر برای آن فعالیت‌ها وجود داشته باشد‪.‬‬

‫در مثال قبل داریم؛‬

‫کار‬ ‫اول‬ ‫دوم‬ ‫سوم‬ ‫چهارم‬
‫مهلت‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬
‫سود‬ ‫‪30‬‬ ‫‪35‬‬ ‫‪25‬‬ ‫‪40‬‬

‫• مجموعه {‪ ،} 2,1‬امکان پذیر است زیرا ترتیب ]‪ [2,1‬امکان پذیر است‪.‬‬

‫• مجموعه {‪ ،} 4,2‬امکان پذیر نیست زیرا هیچ ترتیبی از اعضای آن قابل زمان بندی نمی‌باشد‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 36‬‬

‫‪18‬‬
 ‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫مراحل الگوریتم زمانبندی با مهلت معین‪:‬‬

‫‪ ‬فعالیت‌ها را به ترتیب نزولی سود‪ ،‬مرتب می‌کنیم‬

‫‪ ‬مجموعه ‪ S‬را در ابتدا تهی در نظر می‌گیریم‬

‫‪ ‬فعالیت با بیشترین سود را به مجموعه ‪ S‬اضافه می‌کنیم‬

‫‪ ‬اگر مجموعه ‪ S‬جدید‪ ،‬امکان پذیر بود آن فعالیت را در مجموعه ‪ S‬قرار می‌دهیم‬

‫‪ ‬برای بررسی امکان پذیر بودن ‪ ، S‬فعالیت‌های موجود در ‪ S‬را بر اساس مهلت بصورت صعودی مرتب می‌کنیم‪.‬‬

‫‪ ‬در زمان‌بندی با مهلت معین لزوما تمامی فعالیت‌ها انتخاب نخواهند شد‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 37‬‬

‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫مثال‪ :‬فعالیت‌ها را به گونه‌ای انتخاب نمایید که حداکثر سود حاصل شود‪.‬‬
‫کار‬ ‫اول‬ ‫دوم‬ ‫سوم‬ ‫چهارم‬ ‫پنجم‬ ‫ششم‬ ‫هفتم‬ ‫‪ ‬مجموعه ‪ S‬برابر با {}‬
‫مهلت‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪2‬‬
‫سود‬ ‫‪40‬‬ ‫‪35‬‬ ‫‪30‬‬ ‫‪25‬‬ ‫‪20‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪ S ‬برابر با {‪} 1‬‬

‫‪ S ‬برابر با {‪ } 2,1‬چون ترتیب ]‪ [1,2‬امکان پذیر است‬

‫‪ } 3,2,1{ ‬رد می‌شود چون ترتیب ]‪ [1,2,3‬امکان پذیر نیست‬

‫‪ S ‬برابر با {‪ } 4,2,1‬چون ترتیب ]‪ [4,1,2‬امکان پذیر است‬

‫‪ } 5,4,2,1{ ‬و {‪ } 6,4,2,1‬و {‪ } 7,4,2,1‬رد می‌شود چون امکان پذیر نیستند‬

‫جواب مسئله {‪ S = } 4,2,1‬می‌باشد‪ ،‬و بهره کل ما از انتخاب این فعالیت‌ها ‪ 40+35+25 = 100‬می‌باشد‪.‬‬
‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 38‬‬

‫‪19‬‬
 ‫حریصانه‌– انتخاب‌فعالیت‌ها‬
‫• در این مسئله هدف انتخاب بیشترین تعداد فعالیت است به صورتی که هیچ دو فعالیتی با هم اشتراک بازه زمانی نداشته باشند‪.‬‬
‫مفروضات زیر را داریم؛‬
‫‪ ‬تعدادی فعالیت می‌خواهند از یک منبع استفاده کنند‪.‬‬

‫‪ ‬منبع در یک زمان معین فقط می‌تواند در اختیار یک فعالیت باشد‪.‬‬

‫‪ ‬هر فعالیت دارای یک زمان شروع )𝒊𝑺( و یک زمان خاتمه )𝒊𝑭( می‌باشد‪.‬‬

‫مثال‪ :‬در سمیناری ‪ 8‬داوطلب سخنرانی اعالم آمادگی کرده‌اند‪ .‬با توجه به جدول مقابل سخنرانان را به گونه‌ای انتخاب کنید که‬
‫اوال هیچ دو سخنرانی باهم تداخل زمانی نداشته باشند و ثانیا بیشترین تعداد ممکن سخنران در سمینار شرکت کنند‪.‬‬
‫سخنران)‪(i‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬
‫زمان شروع ]‪S[i‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪8‬‬
‫زمان خاتمه ]‪F[i‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 39‬‬

‫حریصانه‌– انتخاب‌فعالیت‌ها‬
‫مراحل الگوریتم انتخاب فعالیتها‪:‬‬

‫‪‌: n‬تعداد‌کل‌فعالیت‌ها‬ ‫]‪‌: F[i‬زمان‌پایان‌فعالیت ‪ i‬ام‬ ‫]‪‌: S[i‬زمان‌شروع‌فعالیت ‪ i‬ام‬

‫‪ ‬فعالیت‌ها را بر اساس زمان پایان آن‌ها به صورت صعودی مرتب می‌کنیم‬

‫‪ ‬اولین فعالیت (زودترین زمان پایان) را انتخاب می‌کنیم‬

‫‪ ‬به ازای ‪ i‬از ‪ 2‬تا ‪ n‬تکرار می‌کنیم‪:‬‬

‫اگر فعالیت ‪ i‬ام با آخرین فعالیت انتخاب شده تداخل زمانی نداشت‪ ،‬آن را انتخاب می کنیم (]‪) F[j] ≤ S[i‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 40‬‬

‫‪20‬‬
 ‫حریصانه‌– زمان‌بندی‌فعالیت‌ها‬
‫سخنران)‪(i‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬
‫زمان شروع ]‪S[i‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪8‬‬ ‫‪ ‬فعالیت ها را بر اساس زمان پایان مرتب‬
‫زمان خاتمه ]‪F[i‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫می‌کنیم‬

‫‪i‬‬ ‫]‪F[j] ≤ S[i‬‬ ‫‪select‬‬ ‫‪A‬‬ ‫‪ ‬اولین فعالیت را انتخاب می‌کنیم {‪A=} 1‬‬
‫‪1‬‬ ‫‪True‬‬ ‫√‬ ‫}‪{1‬‬
‫‪ ‬فعالیت‌های بعدی را به ترتیب بررس ی‬
‫‪2‬‬ ‫‪False‬‬ ‫×‬ ‫}‪{1‬‬
‫‪3‬‬ ‫‪False‬‬ ‫×‬ ‫}‪{1‬‬ ‫می‌کنیم‪ ،‬که مشاهده می‌شود‪ ،‬تنها در‬
‫‪4‬‬ ‫‪True‬‬ ‫√‬ ‫}‪{1,4‬‬ ‫فعالیت‌های ‪ 4‬و ‪ 8‬رسیدن به جواب‬
‫‪5‬‬ ‫‪False‬‬ ‫×‬ ‫}‪{1,4‬‬
‫‪6‬‬ ‫‪False‬‬ ‫×‬ ‫}‪{1,4‬‬ ‫امکان پذیر است و سایر موارد شرایط‬
‫‪7‬‬ ‫‪False‬‬ ‫×‬ ‫}‪{1,4‬‬ ‫مسئله را نقض می‌کند‪.‬‬
‫‪8‬‬ ‫‪True‬‬ ‫√‬ ‫}‪{1,4,8‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 41‬‬

‫حریصانه‌– کوله‌پشتی‌کسری‬
‫• در مسئله کوله پشتی هدف انتخاب قطعاتی است‪ ،‬که باالترین ارزش یا حداکثر سود ممکن حاصل شود‪.‬‬

‫مفروضات زیر را داریم؛‬

‫‪ ‬ظرفیت کوله پشتی مشخص و ثابت است‪.‬‬

‫‪ ‬هر قطعه ارزش و وزن مخصوص به خود را دارد‪.‬‬

‫‪ ‬از هر قطعه یک نمونه موجود است‪.‬‬

‫‪ ‬امکان انتخاب بخشی از هر قطعه نیز وجود دارد(کسری)‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 42‬‬

‫‪21‬‬
 ‫حریصانه‌– کوله‌پشتی‌کسری‬
‫مثال‪ :‬دزدی با کوله پشتی خود وارد جواهر فروشی می‌شود‪ .‬کوله پشتی او تحمل حداکثر وزن ‪ 20‬کیلوگرم را دارد‪ .‬هر قطعه‬
‫جواهر وزن مشخص و ارزش معینی دارد‪ .‬مسئله اصلی دزد انتخاب قطعاتی است که حداکثر ارزش را داشته‪ ،‬در حالیکه جمع وزن‬
‫آن‌ها از ظرفیت کوله پشتی بیشتر نشود‪.‬‬
‫جواهر)‪(i‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪18‬‬ ‫‪15‬‬ ‫‪10‬‬
‫‪25‬‬ ‫‪24‬‬ ‫‪15‬‬

‫مسئله فوق را به روش حریصانه می‌توان با سه معیار متفاوت حل کرد؛‬

‫• انتخاب با ارزش ترین‌ها‬
‫• انتخاب کمترین وزن‌ها‬
‫• انتخاب براساس باالترین ارزش نسبت به وزن‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 43‬‬

‫حریصانه‌– کوله‌پشتی‌کسری‬
‫معیار اول ‪ -‬انتخاب با ارزش ترینها‬

‫مراحل‪:‬‬

‫‪ ‬ابتدا اجسام را بر اساس ارزش به صورت نزولی مرتب می‌کنیم‪.‬‬

‫‪ ‬چون معیار ما ارزش اشیاء است‪ ،‬بهتر است بیشترین ارزش را انتخاب کنیم‪.‬‬

‫‪ ‬سپس به ترتیب اجسام با ارزش بیشتر را انتخاب می‌کنیم؛‬

‫‪ ‬مراحل را تا زمانی که وزن کل اجسام انتخاب شده از ظرفیت کوله پشتی تجاوز نکند ادامه می‌دهیم‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 44‬‬

‫‪22‬‬
 ‫حریصانه‌– کوله‌پشتی‌کسری‬
‫جواهر)‪(i‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫معیار اول ‪ -‬انتخاب با ارزش ترینها‬
‫‪18‬‬ ‫‪15‬‬ ‫‪10‬‬
‫‪ ‬ابتدا اجسام را بر اساس ارزش به صورت نزولی مرتب می‌کنیم‬
‫‪25‬‬ ‫‪24‬‬ ‫‪15‬‬

‫‪ ‬جسم اول را کامل انتخاب می‌کنیم؛ در این صورت ظرفیت باقی مانده کوله پشتی برابر با ‪ 2‬کیلوگرم خواهد شد‬
‫‪𝑀 − 𝑊1 = 20 − 18 = 2‬‬
‫‪ ‬با توجه به ظرفیت باقی مانده‪ ،‬امکان انتخاب تمام جسم دوم نیست‪ ،‬حال کسری از جسم دوم (به اندازه ظرفیت باقی مانده‬
‫‪2‬‬ ‫کوله پشتی) را انتخاب می‌کنیم تا کوله پشتی پر شود‬
‫‪𝑀 − 𝑊1 −‬‬ ‫‪𝑊 = 20 − 18 − 2 = 0‬‬
‫‪15 2‬‬
‫‪ ‬در نهایت ارزش کوله پشتی باتوجه به اشیاء انتخاب شده برابر است با‪:‬‬
‫𝑛‬
‫‪2‬‬
‫‪𝑝𝑖 𝑥𝑖 = 1 × 25 +‬‬ ‫𝟐‪× 24 + (0 × 15) = 𝟐𝟖/‬‬
‫‪15‬‬
‫‪𝑖=1‬‬
‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 45‬‬

‫حریصانه‌– کوله‌پشتی‌کسری‬
‫معیار اول ‪ -‬انتخاب کمترین وزنها‬

‫مراحل‪:‬‬

‫‪ ‬ابتدا اجسام را بر اساس وزن به صورت صعودی مرتب می‌کنیم‪.‬‬

‫‪ ‬چون وزن اشیاء تاثیر منفی دارد‪ ،‬بهتر است کمترین وزن را انتخاب کنیم‪.‬‬

‫‪ ‬سپس به ترتیب اجسام با وزن کمتر را انتخاب می‌کنیم؛‬

‫‪ ‬مراحل را تا زمانی که وزن کل اجسام انتخاب شده از ظرفیت کوله پشتی تجاوز نکند ادامه می‌دهیم‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 46‬‬

‫‪23‬‬
 ‫حریصانه‌– کوله‌پشتی‌کسری‬
‫معیار اول ‪ -‬انتخاب با ارزش ترینها‬
‫جواهر)‪(i‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬
‫‪10‬‬ ‫‪15‬‬ ‫‪18‬‬
‫‪ ‬ابتدا اجسام را بر اساس وزن به صورت صعودی مرتب می‌کنیم‬
‫‪15‬‬ ‫‪24‬‬ ‫‪25‬‬
‫‪ ‬جسم سوم را کامل انتخاب می‌کنیم؛ در این صورت ظرفیت باقی مانده کوله پشتی برابر با ‪ 10‬کیلوگرم خواهد شد‬
‫‪𝑀 − 𝑊3 = 20 − 10 = 10‬‬
‫‪ ‬با توجه به ظرفیت باقی مانده‪ ،‬امکان انتخاب تمام جسم دوم نیست‪ ،‬حال کسری از جسم دوم (به اندازه ظرفیت باقی مانده‬
‫‪10‬‬ ‫کوله پشتی) را انتخاب می‌کنیم تا کوله پشتی پر شود‬
‫‪𝑀 − 𝑊3 −‬‬ ‫‪𝑊2 = 20 − 10 − 10 = 0‬‬
‫‪15‬‬
‫‪ ‬در نهایت ارزش کوله پشتی باتوجه به اشیاء انتخاب شده برابر است با‪:‬‬
‫𝑛‬
‫‪10‬‬
‫‪𝑝𝑖 𝑥𝑖 = 0 × 25 +‬‬ ‫𝟏𝟑 = )‪× 24 + (1 × 15‬‬
‫‪15‬‬
‫‪𝑖=1‬‬
‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 47‬‬

‫حریصانه‌– کوله‌پشتی‌کسری‬
‫معیار اول ‪ -‬انتخاب کمترین وزنها‬

‫مراحل‪:‬‬
‫𝒊𝒑‬
‫( به صورت صعودی مرتب می‌کنیم‪.‬‬ ‫‪ ‬ابتدا اجسام را بر اساس ارزش وزنی )‬
‫𝒊𝒘‬
‫‪ ‬بدیهی است که‪ ،‬بهتر است جسمی لنتخاب شود که ارزش وزنی بیشتری داشته باشد‪.‬‬

‫‪ ‬سپس به ترتیب اجسام با ارزش وزنی بیشتر را انتخاب می کنیم‬

‫‪ ‬مراحل را تا زمانی که وزن کل اجسام انتخاب شده از ظرفیت کوله پشتی تجاوز نکند ادامه می‌دهیم‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 48‬‬

‫‪24‬‬
 ‫حریصانه‌– کوله‌پشتی‌کسری‬
‫جواهر)‪(i‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪1‬‬
‫‪15‬‬ ‫‪10‬‬ ‫‪18‬‬ ‫معیار اول ‪ -‬انتخاب با ارزش ترینها‬
‫‪24‬‬ ‫‪15‬‬ ‫‪25‬‬
‫‪ ‬ابتدا اجسام را بر اساس ارزش وزنی به صورت نزولی مرتب می‌کنیم‬
‫‪1,6‬‬ ‫‪1,5‬‬ ‫‪1,3‬‬
‫‪ ‬جسم دوم را کامل انتخاب می‌کنیم؛ در این صورت ظرفیت باقی مانده کوله پشتی برابر با ‪ 5‬کیلوگرم خواهد شد‬
‫‪𝑀 − 𝑊2 = 20 − 15 = 5‬‬
‫‪ ‬با توجه به ظرفیت باقی مانده‪ ،‬امکان انتخاب تمام جسم سوم نیست‪ ،‬حال کسری از جسم دوم (به اندازه ظرفیت ب اقی مانده‬
‫‪5‬‬ ‫کوله پشتی) را انتخاب می‌کنیم تا کوله پشتی پر شود‬
‫‪𝑀 − 𝑊2 −‬‬ ‫‪𝑊3 = 20 − 15 − 5 = 0‬‬
‫‪10‬‬
‫‪ ‬در نهایت ارزش کوله پشتی باتوجه به اشیاء انتخاب شده برابر است با‪:‬‬
‫𝑛‬
‫‪5‬‬
‫‪𝑝𝑖 𝑥𝑖 = 0 × 25 + (1 × 24) +‬‬ ‫𝟓‪× 15 = 𝟑𝟏/‬‬
‫‪10‬‬
‫‪𝑖=1‬‬
‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 49‬‬

‫حریصانه‌– کوله‌پشتی‌کسری‬
‫نکات‪:‬‬

‫‪ ‬پیچیدگی زمانی کوله پشتی کسری )‪ O(nlogn‬می‌باشد؛ چون وابسته به مرتب سازی است‪.‬‬

‫‪ ‬همانطور که مشاهده شد‪ ،‬روش حریصانه‪ ،‬همیشه پاسخ بهینه را در مسئله کوله پشتی کسری نخواهد داد‪.‬‬

‫‪Arzhang Malek - TNB‬‬ ‫طراحی الگوریتمها (‪)AD‬‬ ‫‪Slide 50‬‬

‫‪25‬‬